
要約
属性は中間表現であり、訓練データが限られる状況下でクラス間のパラメータ共有を可能にするものである。本研究では、属性に基づく画像分類をラベル埋め込み(label-embedding)問題として捉える新しいアプローチを提案する。すなわち、各クラスを属性ベクトル空間内に埋め込む。さらに、画像とラベル埋め込みの間の整合性を測る関数を導入する。この関数のパラメータは、ラベル付きサンプルからなる訓練データ上で学習され、画像が与えられた際に正しいクラスが誤ったクラスよりも高い順位に位置するように保証される。Animals With AttributesおよびCaltech-UCSD-Birdsデータセットにおける実験結果から、提案するフレームワークがゼロショット学習の設定において、従来の直接属性予測(Direct Attribute Prediction)ベースラインを上回ることが示された。また、ラベル埋め込みフレームワークには、属性以外の情報源(例えばクラス階層)を活用できる利点や、ゼロショット学習から大量のデータを用いた学習へと滑らかに移行できる点など、他の利点も存在する。